该研究提出一种名称为 FAR 的新型范式，用于通过在输入的局部领域内最小化属性映射的最大差异来训练模型的鲁棒属性。通过新模型 AAT 和 AdvAAT 的实验表明，所提出的方法在对抗干扰下都更有稳健性。

Oct, 2020

2023 年国际联合生物特征识别学术会议上举行了高效人脸识别竞赛（EFaR），本文总结了该竞赛的概况和参赛解决方案的性能表现，以及一个多样性基准集合的解决方案的性能值和基准值。

Aug, 2023

基于人工智能的人脸识别系统在全球范围内被广泛分发和部署，尤其在 COVID-19 大流行之后，用于从验证购买 SIM 卡的个人面孔到对公民的监视等任务。在这项研究中，我们对 14,722 张图像的五个基准数据集进行了模拟的验证 / 监视任务，审核了四个商业和九个开源人脸识别系统，测试不同类型的有口罩和无口罩图像之间的面部再识别。结果发现大约三个商业系统和五个开源系统非常不准确，并且进一步加剧了对非白人个体的偏见。这表明系统设计者、立法者和用户需要重新思考人脸识别系统的设计原则，特别是在面部再识别任务中，认识到观察到的偏见问题。

Feb, 2024

基于卷积视觉变换器的框架通过全局信息和面部图像中的局部线索来改善人脸识别性能和抵抗领域转变的作用，在面部反欺诈和领域泛化等领域取得了显著的提升。

Jul, 2023

本文提出了一种新颖的区域感知脸部交换（RAFSwap）网络，以局部 - 全局方式实现一致性、和谐性和高分辨率的面部生成。

Mar, 2022

一个新的多功能人脸识别系统（MFRS）被开发和评估，旨在帮助认知障碍的老年人。系统整合了人脸识别和检索功能，以及捕捉图像和记录语音备忘录的附加功能，提高了系统的可用性和适用性。

Oct, 2023

在人脸识别系统中，针对演示性攻击，多模态学习方法面临模态不可靠性和模态不平衡性的挑战，本研究提出了 Uncertainty-Guided Cross-Adapter (U-Adapter) 和 Rebalanced Modality Gradient Modulation (ReGrad) 两种方法来解决这些问题，在多模态人脸反欺骗中取得了优于现有方法的性能。

Feb, 2024

我们通过引入金融欺诈警报回顾数据集来填补 L2D 研究中的空白，该数据集是一个合成的银行账户欺诈检测数据集，包含 50 个高度复杂和多样化的合成欺诈分析师团队的预测，具有多样的偏见和特征依赖性。我们还在现实数据可用性条件下开发了一种基于容量感知的 L2D 方法和拒绝学习方法，并在 300 个不同的测试情境下对这些基线进行了基准测试。我们相信这个数据集将成为促进 L2D 方法的系统化、严格、可复制和透明的评估和比较的关键工具，从而促进人工智能在决策系统中更协同的人机协作的发展。

Dec, 2023

本文提出了一种抗各种攻击类型的人脸反欺诈框架 (ATR-FAS)，通过使用多个网络生成深度图并利用多个专家网络的结果进行混合，实现了对欺诈人脸的稳定检测，并且在大量实验证明了该框架显著优于现有最先进的方法。

Aug, 2023

确保人脸识别系统对抗攻击的可靠性需要部署人脸反欺骗技术。尽管在这个领域取得了相当大的进展，但即使是最先进的方法也难以防御对抗性样本。为了克服这些挑战，我们深入探讨对抗检测与人脸反欺骗之间的关系，并基于此提出了一种强大的人脸反欺骗框架，即 AdvFAS，利用两个耦合分数准确区分正确检测和错误检测的人脸图像。广泛的实验证明了我们的框架在各种设置下的有效性，包括不同的攻击、数据集和骨干网络，同时在清晰的示例上具有高精度。此外，我们成功地将该方法应用于检测真实世界的对抗样本。

Aug, 2023